【学习笔记】计算机编码

0.概述

有一天，我突发奇想，想要在一段文本中筛选出所有的中文。

这一下把我难倒了——老师教的是 $ASCII$ 码，包含了所有的拉丁字母、数字等。但是汉字是怎么存储的？

我懵了，赶紧上网一阵乱查，把自己都查晕了，写个文章捋一捋。所以这是一篇没用的垃圾文章。

1.$ASCII$

$ASCII$ 码在百度百科中被解释为“美国信息交换标准代码”，是一种编码的方式，也是最简单的一种编码。它的范围很小，只用了 $[0,128)$ 这些数字。

说明：下文将涉及一些 $\text{C++}$ 内的玩意儿。不知道是不是所有编程语言的存储方式都相同？

如果你试着将 $char$ 和 $int$ 乱转换，你就会得到一张 $ASCII$ 码表。这在百度百科中有。

众所周知，$char$ 是一个字节，可以存储 $[-128,128)$ 内的整数。

2.$UTF-8$

只有拉丁字母怎么够？世界上那么多的语言，只靠 $ASCII$ 码表示不了啊。

然后就有了更强力的编码方案，$unicode$ 。显然来源于 $unique$ 的意义。它 可以容纳世界上所有文字和符号！可以参见百度百科。

介绍一个小技巧：在 $word$ 中按 $Alt+X$ ，可以使光标前的字符转化成 $unicode$ 码（十六进制）！再按一次，还能转换回来。提示：$unicode$ 是四位十六进制数，共两字节。

然而，很显然，这玩意儿很长。全世界的字符那么多，如果每一个都按照 $unicode$ 规定的码值来存储，就会很浪费空间。用二进制一看：一大堆零！

所以 $unicode$ 只规定了一个对应法则，但是 存储时使用特定方案。其中一种，就是 $UTF-8$ 。

它是 变长 的，使用一到六个字节。究竟怎么存？请看这篇文章。

3.$ANSI$

$ANSI$ 是啥呀？其实就是 本地语言。所以它并不固定，在中国（简体中文），$ANSI$ 代指 $GBK$ 或 $GB\bf{2312}$。

但是，任何一个国家的 $ANSI$ 都会使用两个字节来存储，除了纯英文使用 $ASCII$ 码。

可以看这篇文章来加深印象。至于 $GBK$ 么？我马上要讲的啦！

4.$GB\bf{2312}$

这是什么？是中文的编码方案（终于进入正题了）。它使用两个字节来存储一个汉字。而且，很有特点的是，这两个字节范围为 $[\text{0x80,0xFF})$ 。为什么不使用 $\text{0xFF}$ 这个编码呢？有待考究。

这个范围，使用 $char$ 存储时，将会得到负数。所以，负数就是判断中文的方法！

5.$GBK$

然而 $GB\bf{2312}$ 没有收录所有汉字，所以又搞了个 $GBK$ ，$ANSI$ 在 $win95$ 以后就代表着这种编码方式。

更多的我就不讲了，同学们自己看看这篇文章也是极好的。

反正我还没碰到过需要使用 $GB\bf 18030$ 相较于 $GBK$ 扩展的字符。

6.控制台语言

有时候程序输出到控制台（黑窗口，$cmd$ ） 的中文会变成乱码，但是改用文件输入输出，直接打开文件，结果又是正确的。为什么？

因为控制台的默认语言是 $ANSI$ 。这可以通过右键单击打开的 $cmd$ 窗口的边栏，选择属性，进行查看。

程序内的汉字常量（双引号内的汉字）的编码方式取决于 $cpp$ 文件本身。$txt$ 文件默认 $ANSI$ 。

7.总结

• $ASCII$ 是个超级小的字符编码，但是常用的符号，如空格、换行等，皆包含其内。并且，这是国际标准，所以其余的编码方案几乎都没有改动已有的 $ASCII$ 对应方案。
• $UTF-8$ 是存储全世界通用编码 $unicode$ 的方案。存储 $ASCII$ 码包含的字符，只需要一个字节；存储汉字，需要三个字节。所以，$UTF-8$ 可以存储中文。
• $GB{\bf 2312},GBK,GB\bf 18030$ 都是汉字编码方式。与 $UTF-8$ 是独立的。双字节，专门管中文，遇到日文就有点捉急了。
• 判断中文的方法：对于 $GBK$ ，使用 $c<0$ 即可；对于 $UTF-8$ 怎么办？